学《数据结构》越学越聪明--第一章》》》绪论三

算法分析

算法分析就是分析算法占用计算机资源的多少

• CPU时间–>时间性能分析
• 内存空间–>空间性能分析

目的：分析算法的时空效率以便改进算法性能

算法分析方式：

1. 事后统计法：编写相对应程序，统计其执行时间

2. 事前统计法：撇开上述因素，认为算法的执行时间是问题规模n的函数

算法时间复杂度分析

一个算法是控制结构（顺序、分支、循环三种）和原操作（指固有数据类型的操作，比如++、--、*、/、+、-等）构成的。

在以下算法中，语句1、3、5、6就是原操作：

void fun(int a[],int n)
{
int i;  //1
for(i=0;i<n;i++)  //2
a[i]=2*i;   //3
for(i=0;i<n;i++)   //4
printf("%d",a[i]);  //5
printf("\n");  //6
}

算法执行时间取决于两者的综合效果。执行原操作越多，执行时间ue就相对越多，否则反之

一个算法的基本构成：

分析算法的执行时间

求出算法所有原操作的执行次数（也称为频道），它是问题规模n的函数，用T(n)表示。

问题规模：用于解决问题大小的正整数，如n给记录排序

算法的执行时间大致=原操作所需的时间*T(n)。

所以 T(n)与算法的执行时间成正比为此用T(n)表示算法执行时间。

比较不同算法的T(n)大小得出算法执行时间的好坏。

算法的执行时间用时间复杂度来表示

算法中执行时间T(n)是问题规模n的某个函数f(n)，记作： T(n)=O(f(n))
"O"读做“大O”，它表示随问题规模n的增大算法执行时间的增长率和f(n)的增长率相同。
“O”的形式定义为： T(n)=O(f(n))表示在一个正的常数M，使得当n>=n0时都满足： |T(n)|<=M|f(n)|f(n)是T(n)的上界这种上界有很多可能，通常取最接近的上界，即紧凑上界

• 一个没有循环的算法执行时间与问题规模n无关，记作O(1)，也称常数阶
• 一个只有一重循环的算法的执行时间与问题规模n的增长呈线性增大关系，记作O(n),也称为线性阶
• 其余常用的算法时间复杂度还有平方阶O(n²)、立方阶O(n³)、对数阶O(log₂n)、指数阶O(2的n次方)等

各种不同算法时间复杂度的比较关系如下：
O(1)<O(log₂n)<O(n)<O(nlog₂n)<O(n²)<O(n³)<O(2的n次方)<O(n!)

• 多项式阶 P问题：O(1)、O(log₂n)、O(n)、O(nlog₂n)、O(n²)、O(n³)
• 指数阶 NP问题：O(2的n次方)、O(n!)

NP=P?是目前计算机科学的难题之一

算法时间性能比较：

假如求同一问题有两个算法：A和B，如果算法A的平均时间复杂度为O(n)，而算法B的平均时间复杂度为O(n²)。 一般情况下，认为算法A的时间性能好于算法B

简化的算法时间复杂度分析

算法的基本操作一般是最深层循环内的原操作。

算法执行时间大致=基本操作所需的时间*其运算次数，在算法分析是，计算T(n)时仅仅考虑基本操作的运算次数。

算法空间复杂度分析

空间复杂度：比较不同算法的T(n)大小得出算法执行时间的好坏。

一般也作为问题规模n的函数，采用数量级形式描述S(n)=O(g(n))

若一个算法的空间复杂度为O(1),则称此算法为原地工作或就地工作算法。

其他情况的算法分析

最好、最坏和平均时间复杂度分析

• 平均时间复杂度： A(n)=P(I)*T(I)
• 最坏时间复杂度：W(n)=MAX{T(I)}
• 最好时间复杂度：S(n)=MIN{T(I)}

递归算法的时空复杂度分析

递归算法是指算法中出现调用自己的成分

• 递归算法分析也称为变长时空分析
• 非递归算法分析也称为定长时空分析